ChatGPT 在发布后 60 天月活突破 1 亿，带动算力需求快速抬升，产业链的议价能力因此向上游的 AI 芯片与光模块环节倾斜，成本压力则沿产业链向中游大模型与下游应用端传导。 这一变化的背景是：ChatGPT 发布仅 5 天注册用户就超过 100 万，60 天后月活破亿，成为史上增长最快的消费者应用。算力是支撑大模型训练与推理的基础，需求放量直接推高了算力产业链的景气度。
产业链议价能力为何向上游集中
人工智能产业链同样可分为上中下游，上游包括云计算、芯片、数据供给方等多个环节。其中芯片为整个行业提供算力支持，未来越来越多 AI 应用的落地都离不开庞大算力，因此算力产业链有望随之快速增长。光模块属于光通信系统的核心器件之一，同样是行业的基础层；AI 技术快速发展对光通信的带宽容量和传输速率提出了更高要求，而光模块中的 CPO 技术，是实现高速率、大带宽、低功耗网络的必经之路。
综合来看，上游的 AI 芯片与光模块、中游的大模型，以及下游的落地场景，是较值得关注的环节。当算力供给相对紧张时，处于基础层、且技术门槛较高的芯片与光模块环节，在产业链中的议价地位相对更强。
供给约束如何影响价格传导
2022 年 8 月之后，美国限制了部分高端 GPU 出口中国，在一定程度上影响了模型训练速度。供给端的这一约束，使算力资源的稀缺性上升，成本压力更容易沿产业链向下传导——从中游大模型的训练与推理，进一步传导至下游应用端的成本结构。
与此同时，部分算力约束也会通过国产 GPU 或 ASIC 替代来缓解。随着中国公司在 AI 算法的持续投入、巨头积极布局，底层技术正处于跟随和追赶的态势，未来有望依托大模型的应用落地与产业升级，释放增长潜力。
常见问题
算力紧张时，产业链哪个环节议价能力更强？
从产业链结构看，上游的 AI 芯片与光模块属于基础层，为行业提供算力与光通信支撑，技术门槛相对较高；在算力需求快速放量、供给又受到约束的背景下，这类基础层环节的议价地位相对更强。中游大模型与下游应用则更多承担成本传导的压力。
高端 GPU 出口受限后，算力缺口如何弥补？
2022 年 8 月之后，美国限制部分高端 GPU 出口中国，一定程度上影响了模型训练速度。部分算力约束可通过国产 GPU 或 ASIC 替代来缓解。随着国内公司在 AI 算法上持续投入、巨头积极布局，底层技术整体处于跟随和追赶的态势。
人工智能产业链最值得关注的方向有哪些？
综合来看，较值得关注的是四个方向：上游的 AI 芯片、光模块（CPO），中游的大模型，以及下游的落地场景。其中下游应用层通过 AI 技术赋能可实现降本增效，有优质应用场景的 C 端企业，以及有数据积累的 B 端企业，有望率先受益。